基于特殊字体的HTML内容混淆原理及爬取绕过方案咨询

这类反爬技术的正式名称为 Web字体混淆（Font Obfuscation），也常被称为动态字体映射反爬、字符字形替换反爬。

你遇到的是这类混淆技术的典型实现，逻辑如下：

• 网站后端会为每次请求动态生成独有的自定义字体文件：将需要展示的敏感内容（这里是比分数字）的字形，绑定到Unicode私有使用区（PUA）的无意义码位上，这些码位默认没有对应可显示的字符，直接抓取源码只会得到不可打印的畸形字符。
• 页面返回的HTML内容中，比分位置直接填充上述私有区的乱码字符，同时动态生成对应@font-face CSS规则，关联本次生成的自定义字体文件，给比分元素绑定加载该字体的样式。
• 浏览器渲染页面时，会加载对应自定义字体，用字体中定义的字形渲染乱码字符，人眼看到的就是正常的数字比分，但字符本身的编码仍是乱码，直接复制、抓取源码都无法得到有效内容。
• 每次页面刷新后，字体ID、码位映射规则都会同步变更，避免爬虫通过固定映射表直接解析。

你示例中的代码就是这类实现的典型结构：动态类名.results-c-7kwd95ci绑定动态字体font-7kwd95ci，字体文件的ID和类名、字体名完全对应，每次刷新都会更换为新的随机串。

非浏览器自动化爬虫场景 #

完全可以绕过，步骤如下：

1. 爬取页面时同步提取CSS中的@font-face规则，拿到当前页面对应的自定义字体文件下载地址，下载字体文件到本地。
2. 使用fonttools等字体解析库解析字体文件，提取每个码位对应的字形轮廓特征。
3. 提前准备好0-9十个数字的标准字形特征库，将下载字体中的每个字形和特征库做匹配，生成当前页面的乱码码位到真实数字的映射表。
4. 用生成的映射表替换HTML中抓取到的乱码字符，即可得到真实的比分数据。

浏览器自动化场景 #

并非无法获取正确数据，有两类成熟方案可选：

• 映射解析方案：和非自动化场景逻辑一致，在自动化脚本中同步提取字体文件生成映射表，替换源码中的乱码即可，效率远高于图像识别。
• 轻量OCR方案：直接使用自动化工具截取比分元素的区域截图，针对规整的数字做轻量OCR识别，因为比分样式固定无干扰，识别准确率可以达到100%，实现成本更低。

内容的提问来源于stack exchange，提问作者RustedDart